Das KI-Chip-Startup Etched, das 2022 von drei Harvard-Studienabbrechern gegründet wurde, hat erfolgreich eine Series-C-Finanzierungsrunde über 300 Mio. US-Dollar abgeschlossen und damit eine Bewertung von 10,3 Mrd. US-Dollar erreicht. Robert Wachen, Mitgründer und Chief Operating Officer des Unternehmens, bestätigte die wegweisende Transaktion offiziell.

Die Finanzierungsrunde wurde von Sequoia Capital angeführt und verzeichnete eine starke Beteiligung bedeutender Risikokapital- und Technologieakteure, darunter Andreessen Horowitz, SK Hynix, Jane Street und Diffusion Capital. Die Beteiligung von SK Hynix — einem der weltweit führenden Hersteller von High-Bandwidth Memory (HBM) — hat strategische Bedeutung, da Speicherbandbreite ein zentraler Engpass bei der KI-Inferenz ist, also genau das Problem, auf das Etcheds Architektur abzielt. Die Series C erhielt zudem weitere Unterstützung früherer Geldgeber, insbesondere Peter Thiel, Andrej Karpathy, Dylan Field und Amjad Masad.

Diese massive Kapitalzufuhr verdoppelt Etcheds Unternehmenswert gegenüber einer Bewertung von 5 Mrd. US-Dollar im Dezember 2024, die im Rahmen einer Finanzierungsrunde über 500 Mio. US-Dollar erreicht wurde. Etched erklärt, dass die neue Bewertung von 10,3 Mrd. US-Dollar die höchste jemals in einer von Sequoia geführten Series-C-Finanzierungsrunde erzielte Bewertung darstellt.

Von Garagenservern zu Aufträgen im Wert von 1 Mrd. US-Dollar

Etcheds Weg zu einem Unternehmen mit Milliardenbewertung verlief alles andere als konventionell. Das Startup ist auf die Entwicklung spezialisierter Chips spezialisiert — verkauft als umfassende Full-Rack-Systeme —, die ausdrücklich für transformerbasierte KI-Modelle optimiert sind. Diese spezifische Architektur bildet die technologische Grundlage prominenter KI-Systeme wie ChatGPT und Claude.

Die Ursprünge des Unternehmens waren von ausgeprägter Sparsamkeit und Entschlossenheit geprägt. Wachen erinnerte an die bescheidenen Anfänge des Startups und berichtete, dass die Gründer nach ihrem Abbruch an der Harvard University auf dem Boden eines Freundes in der Bay Area schliefen. In diesen frühen Tagen betrieb das Team seine Chip-Design-Tools auf Servern, die physisch in der Garage eines frühen Mitarbeiters standen. Der Aufbau war so rudimentär, dass die Ehefrau des Mitarbeiters die Server manuell neu starten musste, wenn das System Probleme hatte.

Heute hat Etched seine operative Größe deutlich ausgeweitet. Das Unternehmen beschäftigt derzeit 400 Menschen und betreibt ein großes Rechenzentrum mit 2 Megawatt Leistung. Der Übergang von einfachen Designprozessen in einer Garage zur Steuerung fortgeschrittener Siliziumfertigung unterstreicht die schnelle Skalierung des Startups. Erst im vergangenen Monat gab Etched mehrere wichtige Meilensteine bekannt: Das Unternehmen hatte seine ersten Chips erfolgreich über Taiwan Semiconductor Manufacturing Company (TSMC) gefertigt, erste Systeme wurden aktiv von Kundenunternehmen getestet, und die Firma hatte bereits Aufträge im Wert von 1 Mrd. US-Dollar gesichert. Das Unternehmen weist darauf hin, dass es mit einigen der größten KI-Unternehmen der Welt zusammenarbeitet, konkrete Kundennamen wurden jedoch nicht öffentlich bekannt gegeben.

Technischer Ansatz: Prefill- und Decode-Phasen

Etcheds Kerntechnologie konzentriert sich auf die Optimierung von zwei unterschiedlichen Phasen der KI-Inferenz — also des Prozesses, bei dem trainierte Modelle ausgeführt werden, um Ausgaben für Nutzer zu erzeugen. Dieser Prozess macht den dominierenden Anteil der realen KI-Rechenkosten aus, wenn Modelle in großem Maßstab eingesetzt werden. Durch die Aufteilung des Inferenzprozesses in diese zwei unterschiedlichen Rechenlasten passt Etched die Hardwarearchitektur gezielt an die jeweiligen Engpässe jeder Phase der KI-Generierung an. Die erste ist die „Prefill-Phase“, in der das System die Eingabeaufforderung des Nutzers durch einen hochgradig rechenintensiven mathematischen Prozess erfasst. Die zweite ist die „Decode-Phase“, die für die Erzeugung der tatsächlichen Ausgabe-Token verantwortlich ist, die der Endnutzer sieht. Während die Decode-Phase weniger Rohrechenleistung erfordert, benötigt sie enorme Speicherbandbreite.

Um die Rechenanforderungen der Prefill-Phase zu adressieren, entwickelte Etched einen spezialisierten Chip, der mit einer deutlich niedrigeren Spannung arbeitet als konkurrierende KI-Chips auf dem Markt. Diese Spannungsreduzierung verringert die Wärmeentwicklung erheblich, wodurch wiederum eine höhere Dichte von Transistoren in der Hardware untergebracht werden kann. Das Unternehmen gibt an, dass dieser Ansatz im Vergleich zu universell einsetzbaren KI-Beschleunigern schnellere Inferenz zu niedrigeren Kosten ermöglicht.

Für die Decode-Phase entwickelte Etched eine neue Speicher- und Verbindungstechnologie namens „cluster scale memory“. Diese Architektur ermöglicht es zahlreichen Chips, einen gemeinsamen Speicherpool nahtlos und mit extrem niedriger Latenz zu nutzen. Laut Wachen führt die Kombination dieser Hardwareinnovationen zu deutlich höheren Verarbeitungsgeschwindigkeiten bei niedrigeren Betriebskosten.

Umgang mit Skepsis gegenüber Hardware-Spezialisierung

Als Etched ursprünglich startete, galt das Konzept, einen speziell auf transformerbasierte KI-Modelle zugeschnittenen Chip zu bauen, unter Branchenbeobachtern weithin als riskantes Vorhaben. Das Unternehmen muss sich weiterhin mit der verbreiteten Wahrnehmung auseinandersetzen, dass seine spezialisierten Systeme nur bestimmte große Sprachmodelle ausführen können.

Wachen ging direkt auf diese Skepsis ein und stellte klar, dass Etcheds Systeme die Vielseitigkeit besitzen, jedes KI-Modell auszuführen. Dazu gehört die Kompatibilität mit Mixture-of-Experts-(MoE)-Architekturen wie DeepSeek und Qwen ebenso wie mit Nicht-Transformer-Designs wie Mamba, das eine State-Space-Modellarchitektur nutzt.

Der breitere Technologiesektor scheint Etcheds spezialisierten Ansatz allmählich zu bestätigen. So entwickelt Google Berichten zufolge seinen Frozen v2-Chip speziell für sein KI-Modell Gemini und baut dabei auf seinem etablierten TPU-Programm (Tensor Processing Unit) auf. Amazon hat über seine Chipreihen Trainium und Inferentia für AWS-KI-Workloads ebenfalls in kundenspezifisches Silizium investiert, und Meta hat seinen MTIA-Inferenzbeschleuniger entwickelt. Diese Entwicklung deutet darauf hin, dass das Konzept, modellspezifische Funktionen direkt in Silizium zu integrieren, in der Branche zunehmend Akzeptanz im Mainstream gewinnt.

Vertrauen der Investoren durch praktische Demonstrationen

Etched konnte seine hochkarätige Investorenliste erfolgreich sichern, indem es private, praktische Hardwaredemonstrationen in den eigenen Büros anbot. Wachen betonte, dass wichtige Branchenpersönlichkeiten, darunter Andrej Karpathy von Anthropic, Noam Brown von OpenAI, der KI-Pionier Geoffrey Hinton sowie alle an der Finanzierungsrunde beteiligten Geldgeber, die Hardware vor ihrer Kapitalzusage physisch testeten.

„These are all people who actually tried the hardware and are very excited about it,“ sagte Wachen mit Blick auf die Investoren und Tester. Dass Branchenveteranen und Mitarbeitende konkurrierender KI-Labore bereit waren, die Hardware öffentlich zu unterstützen, zeigt ein deutliches Vertrauensvotum für Etcheds zugrunde liegende Architektur.

Trotz der erheblichen Fortschritte und der starken Unterstützung räumte Wachen ein, dass das Unternehmen bei der Skalierung seiner Aktivitäten weiterhin vor erheblichen Hürden steht. „We had no idea how hard it was going to be,“ gab er zu. „I think we still have to be humbled by what it will take to actually get to scale.“

Auswirkungen auf die KI-Branche

Etcheds schnelle Wachstumskurve und die Fähigkeit, Vertrauen hochrangiger Investoren zu gewinnen, signalisieren einen breiteren Wandel in der KI-Hardwarelandschaft. Da KI-Modelle zunehmend komplexer werden, dürfte die Nachfrage nach spezialisierten Inferenzchips steigen, die gleichzeitig den Stromverbrauch senken und die Betriebskosten reduzieren können. Diese spezialisierten Hardwarekomponenten könnten durchaus zu kritischer Infrastruktur für die nächste Generation der Bereitstellung künstlicher Intelligenz werden.

Wenn Etched seine ambitionierten technischen Versprechen erfolgreich einlöst und seine Fertigungskapazitäten skaliert, könnte das Unternehmen Nvidias derzeitige Dominanz im Markt für KI-Rechenleistung direkt herausfordern. Nvidia kontrolliert schätzungsweise 80% oder mehr des KI-Chipmarkts, und das Auftreten gut finanzierter Wettbewerber, die sich auf zweckgebundene Inferenzhardware konzentrieren, zählt zu den wichtigsten Wettbewerbsdynamiken, die in der Halbleiter- und KI-Infrastrukturbranche zu beobachten sind.